Network Estimation and Packet Delivery Prediction for Control over Wireless Mesh Networks

技术摘要：无线网格网络控制中的网络估计与数据包交付预测

问题阐述
当前的联网控制系统（NCS）理论通常依赖于简化的点对点或星型拓扑抽象，将数据包丢失视为独立同分布（i.i.d.）的伯努利过程。这种抽象限制了控制器对网络状况的认知，导致性能欠佳。此外，网络层与控制层之间的接口通常是静态的，仅传递固定的丢包概率，而非动态的状态信息。

本文研究了在具有突发性丢包且无延迟（假设植物动力学显著慢于网络截止时间）的损耗型多跳无线网格网络中，对线性受控对象进行控制的问题。具体问题涉及一个单一控制回路，其中位于传感器的控制器需要通过网络向执行器发送控制输入，该网络具有突发性丢包特性。核心挑战在于联合设计一个网络估计器和一个未来数据包交付优化（FPD）线性二次高斯（LQG）控制器，使其能够利用详细的、概率性的未来数据包交付序列预测，从而补偿网络中断，而不是依赖于静态的 i.i.d. 假设。

方法论
作者提出了一个包含网络估计器 ($\hat{N}$) 和未来数据包交付优化（FPD）线性二次高斯（LQG）控制器 ($C$) 的系统架构（图 2）。

1. 网络建模：
   无线网格网络被建模为一个具有固定、重复时分多址（TDMA）调度方案的有向无环图 $G=(V, E)$。论文引入了两种特定的链路模型：

   • SIHS（静态独立链路、逐跳路由、已调度）： 假设链路在数据包传输期间是静态的（即处于“开启”或“关闭”状态）。
   • GEIHS（Gilbert-Elliott 独立链路、逐跳路由、已调度）： 将每条链路建模为两个状态的马尔可夫链（Gilbert-Elliott 模型），其中链路在“开启”和“关闭”状态之间以特定概率（$p_u, p_d$）进行转换。这捕捉了无线链路的突发性特征。
     在两种模型中，均假设链路是独立的，且采用具备失败重传机制的逐跳路由。

2. 网络估计与预测：
   网络估计器使用递归贝叶斯估计，根据过去的数据包交付历史（确认应答）来推断网络拓扑的状态。

   • 估计器维护一个关于所有可能拓扑实现（$\tilde{G}$）的概率分布。
   • 利用网络模型和数据包交付的历史记录，计算有限时界 $H$ 内未来数据包交付序列的联合概率分布（$f_{\nu_k}^{k+H-1}$）。
   • SIHS 估计器根据观察到的成功/失败情况更新对静态拓扑的信念。
   • GEIHS 估计器执行预测步骤（向前传播马尔可夫链状态）和更新步骤（纳入新的观测值），使其能够追踪随时间变化的链路状态。
   • 其输出是未来数据包交付的联合概率分布，该分布捕捉了连续交付之间的相关性，并传递给控制器。

3. FPD 控制器设计：
   控制器最小化一个有限时界的 LQG 代价函数。不同于假设 i.i.d. 丢包或完美交付的经典 LQG 控制器，FPD 控制器利用网络估计器提供的联合概率分布。

   • 控制策略通过动态规划（贝尔曼方程）导出。
   • 最优控制增益 $L_k$ 取决于未来代价函数的条件期望，该期望是通过对所有可能的未来数据包交付序列进行加权求和（权重为预测概率）来计算的。
   • 这使得控制器能够“预见未来”，并根据未来数据包丢失的可能性来调整控制输入，而不是仅仅对当前状态做出反应或假设平均行为。

主要贡献

• 先进的网络建模： 本文超越了 i.i.d. 伯努利模型，利用具有 Gilbert-Elliott 链路动力学和特定 TDMA 调度的图模型，捕捉了多跳网络中数据包丢失的突发性和相关性特征。
• 递归贝叶斯网络估计器： 作者提出了两种估计器（SIHS 和 GEIHE），它们能提供未来数据包交付的联合概率分布。这一接口传递的信息量显著高于传统方法（传统方法仅传递标量丢包概率），提供了更丰富的信息。
• 最优 FPD 控制器： 推导了一种显式使用预测的未来数据包交付联合概率分布的最优 LQG 控制器。该控制器考虑了未来数据包丢失之间的相关性，从而实现前瞻性的补偿。
• 复杂度分析： 论文提供了严谨的计算复杂度分析，指出虽然估计器和控制器是“最优”的（无信息损失），但计算成本很高（呈 $O(2^E)$ 和 $O(2^H)$ 比例缩放），凸显了最优性与可行性之间的权衡。

结果
论文通过一个包含特定路由拓扑和调度方案的小型网格网络仿真实例验证了该方法。

• 估计性能： GEIHS 估计器在发生数据包丢失后，成功检测到了链路故障（链路 $(3, b)$）。它更新了预测，由于链路的突发性特征及路由路径的影响，正确地预报了随后的数据包丢失。
• 控制性能： FPD 控制器与两种次优控制器进行了对比：IID 控制器（假设 i.i.d. 丢包）和 ON 控制器（假设完美交付）。
  • 当链路发生故障时，意识到高概率未来丢包的 FPD 控制器会更早地施加更大的控制输入以进行补偿。
  • 缺乏这种预见性的 IID 和 ON 控制器，由于假设未来的数据包很可能会到达，因此施加的输入较小。
  • 定量结果： 在 10,000 次运行的蒙特卡洛模拟中，FPD 控制器的 LQG 代价（681.68）显著低于 IID 控制器（1,008.2）和 ON 控制器（1,158.9）。这证明了利用相关的预测数据包交付可以提高在面对突发性网络中断时的控制性能。

意义与主张
本文声称，通过将网络建模为具有传输成功概率的链路图并使用递归贝叶斯估计器，可以为控制器提供未来数据包交付的联合概率分布。这使得控制器能够比依赖简化、独立丢包模型的控制器更有效地补偿预测的网络中断。

作者谦虚地指出，其方法是迈向更复杂网络建模的一步。他们承认 GEIHS 模型假设链路是独立的，这可能无法捕捉现实世界网络中的所有相关性，且最优解的计算复杂度较高。然而，他们断言 GEIHS 模型是一个极具价值的比较基础，并且所提出的架构展示了在网络层与控制层之间建立更丰富接口的潜力。该工作表明，未来的研究重点应放在开发低复杂度的“次优”估计器以及能够处理不准确预测的鲁棒控制器设计上。